Utilisez ces conseils pour construire des simulations Monte Carlo fiables et obtenir des résultats exploitables dans Workspace.
La simulation de Monte Carlo n’est aussi bonne que le modèle qui la sous-tend. L’utilisation de distributions réalistes, d’équations validées et de comptages d’itérations appropriés réduit le risque de tirer des conclusions à partir d’hypothèses qui ne reflètent pas le système réel.
Consultez les directives suivantes pour vous assurer que vos résultats de simulation Monte Carlo sont exacts, interprétables et exploitables.
Commencez par un modèle simple-
- Commencez par les entrées et sorties les plus importantes de votre système. Un modèle simple est plus facile à valider et à interpréter, et il révèle souvent les principaux moteurs de performance.
- Vous pouvez ajouter de la complexité plus tard si besoin.
Choisissez soigneusement les distributions
d’entrée-
- Si vous disposez de données historiques représentant la performance future attendue, utilisez-les pour aider à sélectionner les distributions appropriées.
- Si les données historiques ne sont pas disponibles, fiez-vous aux connaissances des procédés ou à des experts du domaine.
Entrez les limites de spécifications dès que
possible-
- Ajouter des limites supérieures ou inférieures de spécification pour calculer les métriques de capacité et le pourcentage hors spécification. Ces mesures sont souvent plus utiles pour la prise de décision que les moyennes seules.
- Même si les spécifications finales ne sont pas encore approuvées, il faut entrer des limites préliminaires ou cibles pour évaluer le risque, le pourcentage de déviation des spécifications et la capacité relative dès le début de l’analyse.
Interpréter les résultats de l’analyse de
sensibilité de manière stratégique-
- Les entrées avec des lignes fortement inclinées ont le plus grand impact sur la variation de sortie et sont de solides candidats à un contrôle plus strict.
- Les entrées avec des lignes plates ont peu d’effet sur la variabilité et peuvent permettre des tolérances plus souples.
Organiser des simulations complexes avec des
groupes-
- Pour les modèles grands ou complexes, utilisez des groupes pour organiser les entrées et sorties par fonction ou étape de processus.
- Les groupes facilitent la gestion, la relecture et la communication des modèles avec les autres.
Attendez-vous à de petites différences entre les
simulations-
- Comme les simulations de Monte Carlo reposent sur un échantillonnage aléatoire, les résultats varient légèrement à chaque fois que vous lancez la simulation.
- Concentrez-vous sur les tendances globales, les plages et les comparaisons plutôt que sur les valeurs exactes.
Modèles en double pour explorer des scénarios-
- Conservez une version de base de votre simulation tout en testant des scénarios alternatifs, comme de nouveaux réglages d’entrée ou une variabilité réduite.
- Comparez les résultats entre modèles pour vous aider à évaluer les compromis et choisir la meilleure option.
